1. Penjelasan secara singkat apa yang dimaksud dengan Algoritma Genetika (GA)
Algoritma adalah serangkaian langkah-langkah untuk memecahkan masalah. Sebuah algoritma genetika adalah metode pemecahan masalah yang menggunakan genetika sebagai modelnya pemecahan masalah. Ini adalah teknik pencarian untuk solusi dan perkiraan untuk optimasi dan pencari masalah.
2. Penjelasan tentang proses mutasi.
Proses mutasi dilakukan dengan cara mengganti satu gen yang terpilih secara acak dengan suatu nilai baru yang didapat secara acak. Mutasi diperlukan untuk mengembalikan informasi bit yang hilang akibat pindah silang. Mutasi diterapkan dengan probabilitas yang sangat kecil. Jika mutasi dilakukan terlalu sering, maka akan menghasilkan individu yang lemah karena konfigurasi gen pada individu yang unggul akan dirusak. Berdasarkan bagian yang termutasi, proses mutasi dapat dibedakan atas tiga bagian.
- Mutasi pada tingkat kromosom, semua gen dalam kromosom berubah.
- Mutasi pada tingkat gen, semua bit dalam satu gen akan berubah, contoh gen nomor 2 mengalami mutasi.
- Mutasi pada tingkat hanya satu bit yang berubah.
3. Penjelasan tentang proses crossover
Crossover adalah operator algoritma genetika yang membutuhkan parameter dua kromosom. Dua buah kromosom tersebut disebut kromosom induk. Operator ini akan menghasilkan dua buah kromosom baru. Ada beberapa jenis crossover yang sering digunakan dalam algoritma genetika antara lain:
Ordered Based Crossover
Ordered based Crossover diawali dengan menentukan posisi-posisi gen secara random pada induk pertama misalnya didapatkan posisi 3,4,6 dan 9 pada induk.
P1= ( 1 2 3 4 5 6 7 8 9 )
P1= ( 4 5 2 1 8 7 6 9 3 )
Kemudian Gen-gen pada induk yang berada tepat dibawah posisi-posisi tersebut dicatat yaitu 2,1,7 dan 3 untuk Q1 disalin dari P1 dengan menghilangkan angka-angka 2,1,7 dan3 tersebut sehingga menjadi
Q1= ( x x x 4 5 6 x 8 9 )
Subset 2,1,7, dan 3 ini di masukan dalam Q1 dimulai dari kiri dengan mempertahankan urutan sehingga menjadi:
Q1 = (2 1 7 4 5 6 3 8 9)
Untuk Q2 diperlukan sama hanya perlu meukar induk pertama menjadi induk kedua dan induk kedua menjadi induk pertama yang menjadi:
Q2 = (3 5 2 1 8 7 4 6 9)
One-Point Crossover
Contoh kerja operator ini adalah dengan menentukan crossover point (gen tertentu). Kromosom baru pertama berisi gen pertama sampai gen crossover point dari kromosom induk pertama ditambah dengan gen dari crossover point sampai gen terakhir dari kromosom induk kedua. Kromosom baru kedua berisi gen pertama sampai gen crossover point dari induk kedua ditambahkan dengan gen dari crossover point sampai gen dari kromosom induk pertama.
Two-Point Crossover
Proses Two-Point Crossover hampir sama dengan prosedur One-Point Crossover, kecuali pada Two-Point Crossover harus dipilih dua crossover point dan hanya gen yang ada di antara kedua crossover point itu yang akan ditukarkan.
Metode ini dapat menjadi bagian awal dan akhir dari kromosom dan hanya menukar bagian tengahnya saja.
N-Point Crossover
Prosedur N-Point Crossover hampir sama baik dengan prosedur one-point crossovermaupun two-point crossover, hanya saja dalam n-point crossover ini harus dipilih n crossover point dan hanya gen di antara crossover point ganjil dan genap yang dapat ditukarkan sedangkan gen diantara genap dan ganjil operator crossover tidak berubah. Atau dengan kata lain harus dipilih posisi n dan hanya bit antara ganjil dan genap posisi crossover yang akan dihilangkan.
Contoh: P1= 9 7 6 3 2 8
P2= 2 1 9 7 4 5
Jika didapatkan angka random untuk n=3 dan diacak 1,2 dan 4 sebagai posisi dari gen yang akan di crossover, didapatkan kromosom turunan:
T1= 9 1 6 3 4 5
T2= 2 7 9 7 2 8
4. Penjelasan secara singkat proses aplikasi GA pada kontrol motor
Perbaikan kinerja sistem dilakukan dengan perancangan sistem PID berdasarkan metoda algoritma genetika. Proses algoritma genetika yang digunakan diperlihatkan oleh Gambar . Populasi awal yang digunakan pada sistem ini adalah 50, nilai populasi ini diambil secara acak.
Diagram alir algoritma genetika.
Seleksi individu untuk menghasilkan generasi yang berhasil, memainkan aturan yang terpenting pada sistem algoritma genetik. Pada penelitian ini, tipe seleksi yang digunakan adalah metoda pemeringkatan nilai normalisasi dari distribusi geometri, sesuai dengan (13). Nilai r adalah normalisasi dari distribusi, q adalah probabilias dari terpilihnya populasi terbaik dan n adalah jumlah anggota dalam populasi. Menggunakan nilai fitness dari setiap individu, maka individu yang lebih baik mempunyai peluang terpilih yang lebih tinggi[6].
Persilangan yang digunakan dalam penelitian ini adalah metoda interpolasi dari dua orang tua untuk menghasilkan 2 anak, seperti pada (14) dan (15). Nilai anak pertama dan kedua adalah c1 dan c2. Nilai orang tua pertama dan kedua adalah p1 dan p2, sedangkan a adalah bilangan acak yang bebas dipakai.
Pada tahap mutasi terdapat perubahan parameter yang diambil secara acak dari orang tua menggunakan distribusi probabilitas.
5. Penjelasan contoh aplikasi GA dari jurnal atau TA
Indonesia memiliki dua musim, yaitu musim penghujan dan musim kemarau. Karena pengaruh dua musim yang dimiliki wilayah Indonesia, petani umumnya mengolah lahan pertaniannya menjadi dua musim tanam, yaitu musim tanam padi saat penghujan dan musim tanam polikultur (menanam lebih dari satu tanaman) saat kemarau. Sistem polikultur ini bertujuan untuk meminimalisasi gagal panen dan mengurangi resiko kerugian apabila salah satu komoditi harganya menurun. Pada saat menerapkan sistem pertanian polikultur, petani sering dihadapkan pada permasalahan mendasar, yaitu bagaimana menentukan proporsi dalam pemanfaatan lahan pertanian sehingga menghasilkan keuntungan yang maksimal dengan mengalokasikan luas lahan dan modal yang dimiliki.
Algoritma genetika merupakan salah satu algoritma yang bersifat heuristic dan dapat menyelesaikan permasalahan multi objectiv, sehingga dapat diterapkan untuk mencari solusi optimal dari permasalahan optimasi penggunaan lahan pertanian ini. Pencarian solusi dilakukan dengan mengkombinasikan kromosom kemudian diproses dengan operator genetika (seleksi, crossover, dan mutasi) dengan menginisialisasi parameter genetika (ukuran populasi, crossover rate, mutation rate, dan jumlah generasi). Pada penelitian ini, menggunakan representasi kromosom real coded dengan reproduksi extended intermediate crossover dan random mutation. Dari hasil pengujian, didapatkan hasil terbaik dengan nilai fitness tertinggi yang mendekati solusi optimal pada ukuran populasi 125, jumlah generasi 400, nilai probabilitas crossover 0,4 dan probabilitas mutasi 0,6. Seleksi yang lebih baik adalah seleksi elitism.
Sumber Jurnal :
http://wayanfm.lecture.ub.ac.id/files/2015/05/JurnalSkripsi-2014-2015-015-Harim-Adi-Saputro.pdf
Download HTML disini
Download HTML disini